Introduzione

Parte della serie RAG: Questa è la parte 5 - schemi di integrazione della produzione:

• Parte 1: Origini e fondamenti degli orientamenti - Che cosa sono le inserzioni, perché contano
• Parte 2: Architettura e interni RAG - Chunking, tokenisation, database vettoriali
• Parte 3: RAG nella pratica - Costruire sistemi RAG completi
• Parte 4a: Implementazione di ONNX & Qdrant - CPU-friendly fondazione di ricerca semantica
• Parte 4b: Ricerca semantica in azione - Typeahead, ricerca ibrida e componenti UI
• Parte 5: Ricerca ibrida e integrazione automatica (questo articolo) - Modelli di integrazione della produzione
• Parte 6: GraphRAG - Grafici della conoscenza per la comprensione a livello di corpus

Dentro Parte 4a, abbiamo costruito la fondazione: ONNX embeddings e Qdrant storage. In Parte 4b, abbiamo coperto l'interfaccia utente di ricerca e l'implementazione di ricerca ibrida. indicizzazione automatica (aggiornamenti contenuti a zero touch) tramite FileSystemWatcher.

Ricerca ibrida: Il meglio di entrambi i mondi

La ricerca semantica è potente ma la ricerca full-text tradizionale eccelle ancora a frasi esatte e termini tecnici. La soluzione? Usa entrambe le cose.

Perché Hybrid? I diversi approcci hanno diversi punti di forza:

• PostgreSQL Full-Text (qui coperto): Corrispondenze esatte, termini tecnici, operatori booleani
• Ricerca vettoriale semantica: Significato, contesto, sinonimi, contenuto concettualmente correlato

Fusione di Rank reciproco (RRF)

Noi usiamo Fusione di Rank reciproco per combinare i risultati di più fonti di ricerca:

flowchart TB
    A[User Query: 'docker containers'] --> B[PostgreSQL Full-Text Search]
    A --> C[Semantic Vector Search]

    B --> D["Results:<br/>1. 'Docker Basics' (rank 1)<br/>2. 'Containerizing Apps' (rank 2)<br/>3. 'Docker Compose' (rank 3)"]
    C --> E["Results:<br/>1. 'Containerizing Apps' (rank 1)<br/>2. 'Kubernetes Guide' (rank 2)<br/>3. 'Docker Basics' (rank 3)"]

    D --> F[RRF Algorithm]
    E --> F

    F --> G["Combined Results:<br/>1. 'Containerizing Apps'<br/>   (1/61 + 1/62 = 0.0328)<br/>2. 'Docker Basics'<br/>   (1/61 + 1/63 = 0.0322)<br/>3. 'Docker Compose'<br/>   (1/63 = 0.0159)"]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#3b82f6,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6366f1,stroke-width:2px
    style F stroke:#ec4899,stroke-width:4px
    style G stroke:#8b5cf6,stroke-width:2px

La formula RRF: score = Σ(1 / (k + rank))

• k = 60 (costante per evitare la dominazione dei ranghi primitivi)
• rank = posizione nei risultati del metodo di ricerca
• Risultati in entrambi le fonti ottengono punteggi da ogni sommato

Perché RRF funziona:

• Deduplicazione: Stesso risultato in entrambe le fonti punteggio più alto
• Equità: Nessun metodo di ricerca domina ingiustamente
• Semplicità: Non è richiesta alcuna messa a punto complessa

Attuazione

public class HybridSearchService : IHybridSearchService
{
    private readonly ISemanticSearchService _semanticSearchService;
    private const int RrfConstant = 60;

    public async Task<List<SearchResult>> SearchAsync(
        string query,
        string language = "en",
        int limit = 10,
        CancellationToken cancellationToken = default)
    {
        // Execute both searches in parallel
        var semanticResults = await _semanticSearchService.SearchAsync(
            query, limit * 2, cancellationToken);

        // Filter by language and apply RRF
        var filteredResults = semanticResults
            .Where(r => r.Language == language)
            .ToList();

        return ApplyReciprocalRankFusion(filteredResults)
            .Take(limit)
            .ToList();
    }

    private List<SearchResult> ApplyReciprocalRankFusion(List<SearchResult> results)
    {
        var rrfScores = new Dictionary<string, RrfScore>();

        for (int i = 0; i < results.Count; i++)
        {
            var result = results[i];
            var key = $"{result.Slug}_{result.Language}";

            if (!rrfScores.ContainsKey(key))
                rrfScores[key] = new RrfScore { Result = result };

            // RRF formula: 1 / (k + rank)
            rrfScores[key].Score += 1.0 / (RrfConstant + i + 1);
        }

        return rrfScores.Values
            .OrderByDescending(x => x.Score)
            .Select(x => x.Result)
            .ToList();
    }
}

Nota: Questo mostra solo la ricerca semantica. In produzione, eseguire la ricerca postgreSQL full-text in parallelo e includere i risultati nel calcolo RRF.

Integrazione

Se hai già implementato PostgreSQL ricerca full-text (come qui coperto), l'aggiunta di ricerca semantica è semplice:

// Program.cs
services.AddSemanticSearch(configuration);
services.AddSingleton<IHybridSearchService, HybridSearchService>();

[HttpGet("search/hybrid")]
public async Task<IActionResult> HybridSearch(string query, string language = "en")
{
    var results = await _hybridSearchService.SearchAsync(query, language);
    return PartialView("_SearchResults", results);
}

Indicizzazione automatica con l'Osservatore di File System

La caratteristica più potente: indicizzazione automatica. Salvare un post sul blog, è immediatamente ricercabile - nessun intervento manuale.

Come funziona

flowchart TB
    A[Save Markdown File] --> B[FileSystemWatcher Detects Change]
    B --> C{File in Main Directory?}
    C -->|Yes| D[Save to Database]
    C -->|No| E[Save to Database Only]
    D --> F[Create BlogPostDocument]
    F --> G[Generate Embedding via ONNX]
    G --> H[Store in Qdrant]
    H --> I[Post Searchable Immediately]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#f59e0b,stroke-width:2px
    style C stroke:#ec4899,stroke-width:3px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6b7280,stroke-width:2px
    style F stroke:#8b5cf6,stroke-width:2px
    style G stroke:#6366f1,stroke-width:3px
    style H stroke:#ef4444,stroke-width:2px
    style I stroke:#10b981,stroke-width:2px

Decisione chiave in materia di progettazione: Solo i file indice nel directory Markdown principale, non sottodirectory (translated/, drafts/, comments/). Questo mantiene pulito l'indice di ricerca.

Integrazione con l'Osservatore di file

Il blog ha già un MarkdownDirectoryWatcherServiceLo estendiamo per innescare l'indicizzazione semantica:

// In MarkdownDirectoryWatcherService.cs
private async Task OnChangedAsync(WaitForChangedResult e)
{
    if (e.Name == null) return;

    await retryPolicy.ExecuteAsync(async () =>
    {
        var savedModel = await blogService.SavePost(slug, language, markdown);

        // Index ONLY if file is in main directory (no path separators in name)
        if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
            !e.Name.Contains(Path.AltDirectorySeparatorChar))
        {
            await IndexPostForSemanticSearchAsync(scope, savedModel, language);
        }
    });
}

private async Task IndexPostForSemanticSearchAsync(
    IServiceScope scope,
    BlogPostDto post,
    string language)
{
    var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
    if (semanticSearchService == null) return; // Not configured

    var document = new BlogPostDocument
    {
        Id = $"{post.Slug}_{language}",
        Slug = post.Slug,
        Title = post.Title,
        Content = post.PlainTextContent,
        Language = language,
        Categories = post.Categories?.ToList() ?? new List<string>(),
        PublishedDate = post.PublishedDate
    };

    await semanticSearchService.IndexPostAsync(document);
    _logger.LogInformation("Indexed {Slug} ({Language}) in semantic search", post.Slug, language);
}

Cancellazioni di manipolazione

Quando un post viene eliminato, rimuoverlo dall'indice semantico:

private async Task OnDeletedAsync(WaitForChangedResult e)
{
    await blogService.Delete(slug, language);

    // Delete from semantic search ONLY if file was in main directory
    if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
        !e.Name.Contains(Path.AltDirectorySeparatorChar))
    {
        var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
        await semanticSearchService?.DeletePostAsync(slug, language);
    }
}

Servizio di sfondo per l'indicizzazione iniziale

All'avvio, un servizio di background indici i post esistenti non ancora in Qdrant:

flowchart TB
    A[Application Starts] --> B[Wait 10 seconds]
    B --> C[Initialize Semantic Search]
    C --> D{Model Exists?}
    D -->|No| E[Download from Hugging Face]
    D -->|Yes| F[Load ONNX Model]
    E --> F
    F --> G[Scan Main Markdown Directory]
    G --> H{For Each .md File}
    H --> I[Compute Content Hash]
    I --> J{Hash Changed?}
    J -->|Yes| K[Generate Embedding]
    J -->|No| L[Skip - Already Indexed]
    K --> M[Store in Qdrant]
    M --> H
    L --> H
    H -->|Done| N[Indexing Complete]

    style A stroke:#10b981,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style E stroke:#f59e0b,stroke-width:2px
    style F stroke:#6366f1,stroke-width:3px
    style G stroke:#8b5cf6,stroke-width:2px
    style J stroke:#ec4899,stroke-width:3px
    style K stroke:#6366f1,stroke-width:2px
    style M stroke:#ef4444,stroke-width:2px
    style N stroke:#10b981,stroke-width:2px

public class SemanticIndexingBackgroundService : BackgroundService
{
    protected override async Task ExecuteAsync(CancellationToken stoppingToken)
    {
        // Wait for app to be ready
        await Task.Delay(TimeSpan.FromSeconds(10), stoppingToken);

        // Initialize (downloads model if needed)
        await _semanticSearchService.InitializeAsync(stoppingToken);

        // Get all posts from main directory only
        var markdownFiles = Directory.GetFiles(
            _markdownConfig.MarkdownPath,
            "*.md",
            SearchOption.TopDirectoryOnly);  // NOT subdirectories

        foreach (var file in markdownFiles)
        {
            var needsIndexing = await _semanticSearchService.NeedsReindexingAsync(
                slug, language, contentHash, stoppingToken);

            if (needsIndexing)
                await _semanticSearchService.IndexPostAsync(document, stoppingToken);
        }
    }
}

Ciò garantisce:

1. Caricamento del modello pigro - Download al primo utilizzo, non blocca l'avvio
2. Indicizzazione incrementale - Solo i nuovi posti/cambiati ri-indexed (tramite hash contenuto)
3. Solo directory principale - Bozze e file tradotti non inquinano l'indice

Quello che abbiamo costruito

Attraverso le parti 4a, 4b e 5, ora abbiamo:

• ✅ CPU-friendly ricerca semantica - Nessuna GPU richiesta
• ✅ Related posts discovery - Contenuto semanticamente simile
• ✅ Ricerca linguistica naturale - Trovare per significato, non solo parole chiave
• ✅ Ricerca ibrida - Best of semantic + full-text
• ✅ Indexing automatico - Aggiornamenti contenuti Zero-Touch
• ✅ Auto-ospitalità - I tuoi dati rimangono sul tuo server

Miglioramenti futuri:

• Ricerca di categoria-consapevole - Aumentare i risultati di categorie specifiche
• Abbinamenti multilingue - Modelli specifici per l'integrazione delle lingue
• Integrazione OpenSearch - Aggiungi OpenSearch al mix ibrido (vedi il mio articolo OpenSearch)

Conclusione

Ciò completa l'attuazione pratica della ricerca semantica in stile RAG. Parte 4a (fondazione) e Parte 4b (search UI), hai tutto il necessario per aggiungere la ricerca intelligente alla tua applicazione .NET - in esecuzione interamente su CPU, a zero costi aggiuntivi.

Continua ad imparare

• RAG Parte 1: Origini e Fondamenti - La teoria dietro l'imbottitura
• RAG Parte 2: Architettura e Interni - Immersione profonda nei sistemi RAG
• RAG Parte 3: Applicazioni pratiche - RAG completi con integrazione LLM
• Parte 4a: Implementazione di ONNX & Qdrant - Fondazione: inglobamenti e stoccaggio vettoriale
• Parte 4b: Ricerca semantica in azione - Typeae, ricerca ibrida e UI
• Ricerca full-text con PostgreSQL - Il lato full-text della ricerca ibrida

Risorse

Banca dati Qdrant e vettori

• Database vettoriali self-hosted con Qdrant - Immersione profonda in concetti Qdrant, indicizzazione HNSW, filtraggio e client C#
• Ricerca ibrida Qdrant - Supporto ibrido nativo di Qdrant

Ricerca ibrida

• Carta per fusione a rango reciproco - L'algoritmo RRF

Controllo file system

• Classe FileSystemWatcher - Documentazione .NET
• Classe BackgroundService - Servizi ospitati in ASP.NET Core

Codice completo

Tutti i codici sono disponibili al seguente indirizzo: github.com/scottgal/mostlylucidweb

• Mostlylucid.SemanticSearch/ - Core libreria di ricerca semantica
• Mostlylucid/Blog/WatcherService/ - Osservatore di file con indicizzazione semantica